spring官宣接入deepseek，真的太香了~

IpU4nEHa

写在前面

经常逛Spring官网（https://docs.spring.io/spring-ai/reference/api/chat/deepseek-chat.html）的小伙伴会发现，
Spring 已经支持接入DeepSeek了。

DeepSeek AI provides the open-source DeepSeek V3 model, renowned for its cutting-edge reasoning and problem-solving capabilities.
Spring AI integrates with DeepSeek AI by reusing the existing OpenAI client. To get started, you’ll need to obtain a DeepSeek API Key, configure the base URL, and select one of the supported models.

翻译过来就是
DeepSeek AI提供了开源的DeepSeek V3模型，该模型以其先进的推理和解决问题的能力而闻名。
Spring AI通过与现有OpenAI客户端复用的方式与DeepSeek AI集成。
要接入DeepSeek，您需要获取一个DeepSeekAPI的API KEY，配置接入地址，并选择一种模型即可
一、调用效果

https://live.csdn.net/v/465047
二、Spring AI 与 DeepSeek 的集成背景

不管是Spring 官网还是DeepSeek API 文档（https://api-docs.deepseek.com/zh-cn/）中都提到 DeepSeek API 使用与 OpenAI 兼容的 API 格式。

所以，我们只需要照抄接入ChatGpt的就可以了~  而与ChatGPT 或者其他大模型对接是通过Spring AI 来完成的。
Spring AI 是什么呢？
Spring AI 是 Spring 生态中的一个新兴项目，旨在为 Java 集成各类 AI模型提供统一的抽象层。
它通过隐藏底层模型的实现细节，让开发者能够以最少的代码调用各种 AI 服务。
目前，Spring AI 已经支持OpenAI、Azure AI、Hugging Face 等多个 AI 平台，而 DeepSeek 的加入进一步丰富了其功能
三、Java 接入DeepSeek步骤

3.1  获取API KEY

首先，我们需要到DeepSeek 开发平台（https://platform.deepseek.com/api_keys）申请API KEY

这是使用 DeepSeek 服务的关键凭证，必须妥善保管。不要与他人共享你的 API key，或将其暴露在浏览器或其他客户端代码中
3.2 创建spring boot 项目

通过 Spring Initializr 创建一个新的项目

3.3 添加依赖

在 pom.xml 文件中，添加 Spring AI 的依赖。目前，Spring AI 通过 OpenAI 客户端与 DeepSeek 集成，因此需要引入以下依赖：
<dependency>    <groupId>org.springframework.ai</groupId>    <artifactId>spring-ai-openai-spring-boot-starter</artifactId></dependency>3.4 配置 DeepSeek API

在 application.properties 或 application.yml 文件中，配置 DeepSeek 的 API 密钥和请求 URL

• deepseek-chat 模型已全面升级为 DeepSeek-V3，接口不变。 通过指定 model='deepseek-chat' 即可调用 DeepSeek-V3。
  
• deepseek-reasoner 是 DeepSeek 最新推出的推理模型 DeepSeek-R1。通过指定 model='deepseek-reasoner'，即可调用 DeepSeek-R1。
  

spring:  ai:    openai:      api-key: sk-your-deepseek-key-here      base-url: https://api.deepseek.com      chat:        options:          model: deepseek-reasoner3.5 编写接口

@RestController@RequestMapping("/ai")public class DeepSeekController {    private final ChatClient chatclient;    // 构造方法，用于构造chatclient 实列    public DeepSeekController (ChatClient.Builder chatClientBuilder){        this.chatclient =chatClientBuilder.build();    }    @GetMapping("/chat")    public String chat(@RequestParam(value = "message") String message) {        return chatclient.prompt(message).call().content();    }}3.6 测试一下

启动项目，浏览器中 http://localhost:8080/ai/chat?message=对话内容  按照这个格式即可与deepseek对话

① 讲一个笑话

② 请用Java写一段线程安全的单例模式，并故意埋三个常见错误

③ 简单介绍下程序员晓凡是谁？

四、调用本地部署的DeepSeek

在之前的文章中，已经手把手教小伙伴如何使用ollama将DeepSeek 部署到自己电脑上。
使用该方法部署算是最简单的一种部署方式了，忘记了的小伙伴，可以点击下面链接复习一下~
4.1 ollama 常用命令

我们需要简单知道下ollama 的常用命令，方便我们启停本地大模型

① 查看ollama 版本信息
ollama -v② 启动ollama服务
ollama serve③ 查看正在运行的大模型
ollama ps④ 查看本地大模型列表
ollama list⑤ 运行大模型
# deepseek-r1:8b 为大模型版本号# 如果本地不存在该模型，会先拉取ollama run deepseek-r1:8b⑥ 删除模型
ollama rm 模型名称⑦ 停止运行模型
ollama stop4.2 启动大模型

首先，按照上面的命令启动本地安装的大模型，ollama ps 确认大模型正在运行中

大模型启动之后会占用11434 端口，开放的接口地址是：http://localhost:11434/api/chat
我们可以先通过postman 调用试试
入参如下：
{   "model": "deepseek-r1:8b",   "messages": [       {"role": "user", "content": "用中文解释量子计算原理"}   ],   "stream": false,   "options": {       "temperature": 0.7,       "num_ctx": 4096    }}
4.3  Java项目中调用本地大模型

① 添加依赖

我们这里是同过ollama部署的deepseek ,所以要添加如下依赖

<dependency>    <groupId>org.springframework.ai</groupId>    <artifactId>spring-ai-ollama-spring-boot-starter</artifactId></dependency>② 配置 DeepSeek API
在 application.properties 或 application.yml 文件中，配置 DeepSeek 的请求 URL及模型
spring:  ai:    ollama:      base-url: http://localhost:11434      chat:        model: deepseek-r1:8b  # 本地部署的大模型③编写接口

为了模仿官方deepseek对话模型，这里接口书写方式我们采用流式输出方式

@RestController@RequestMapping("/ai")@CrossOrigin(origins = "*")public class DeepSeekController {    private static final Logger logger = LoggerFactory.getLogger(DeepSeekController.class);    private final ChatClient chatclient;    public DeepSeekController(ChatClient.Builder chatClientBuilder) {        this.chatclient = chatClientBuilder.build();    }    @GetMapping(value = "/chat", produces = MediaType.TEXT_EVENT_STREAM_VALUE + ";charset=UTF-8")    public ResponseEntity<Flux<String>> chat(@RequestParam(value="message") String message) {        try {            Flux<String> response = chatclient.prompt(message).stream().content();            // 打印响应数据            response.subscribe(data -> logger.info("Response data: {}", data));            return ResponseEntity.ok()                    .contentType(MediaType.TEXT_EVENT_STREAM) // 设置内容类型为文本事件流                    .header(HttpHeaders.CONTENT_ENCODING, "utf-8") // 设置字符编码                    .body(response);        } catch (Exception e) {            return ResponseEntity.badRequest().build();        }    }}④ 测试

为了演示流式数据输出调用，晓凡用element-ui+vue仿照微信聊天界面写了一个简单调用页面，效果如下所示

五、代码下载

以上涉及到的demo 晓凡已经将代码上传到gitee,感兴趣的小伙伴可以
gitee: https://gitee.com/xiezhr/deepseek-chat-demo.git

本期内容到这儿就结束了，希望对您有所帮助！
我们下期再见 ヾ(•ω•`)o  (●'◡'●)